一种基于无监督领域自适应网络的眼底图像分类方法.pdf
一吃****春艳
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于无监督领域自适应网络的眼底图像分类方法.pdf
本发明公开了一种基于无监督领域自适应网络的眼底图像分类方法,首先获取眼底图像样本;然后对眼底图像样本进行数据预处理;构建并训练无监督领域自适应网络模型;最后通过训练好的无监督领域自适应网络模型完成眼底图像分类,获取分类结果。本发明的模型采用强弱对比增强,将来自弱增强的样本的伪标签作为“锚”,将强增强的样本对齐到“锚”上,从而增强模型在目标域上的泛化性能。本发明的网络模型没有直接对眼底图像进行分类,而是先通过Unet网络分割出视神经盘周围区域,进而直接对分割出的视神经盘区域进行分类。
眼底彩色图像分类模型训练方法及眼底彩色图像分类方法.pdf
本发明实施例提供了一种眼底彩色图像分类模型训练方法及眼底彩色图像分类方法。该眼底彩色图像分类模型的训练方法,包括:获取不同类别的原始眼底彩色图像;对原始眼底彩色图像进行预处理,得到目标眼底彩色图像;将目标眼底彩色图像输入第一卷积神经网络,输出目标眼底彩色图像对应的眼底血管图像;获取目标眼底彩色图像对应的患者年龄特征和患者性别特征;利用目标眼底彩色图像、眼底血管图像、患者年龄特征和患者性别特征,对第二卷积神经网络进行模型训练,得到眼底彩色图像分类模型。根据本发明实施例,能够提高眼底彩色图像的筛查分类效率和准
一种基于增强重建分类网络的盲领域图像分类与重建方法.pdf
在实际场景中,测试数据通常与训练数据的分布不同,并且在训练数据上训练的模型在测试数据中的表现可能会更差,从而导致较差的视觉分类性能。该问题主要是由于域偏差引起的,而域适应通过设计减少分布差异的模型来解决此问题。目前的方法依赖自目标域数据样本参与训练。但是,目标域的测试数据一般无法获取。对于这个盲领域适应问题,提出了一种基于增强重建分类网络的盲领域图像分类与重建方法。使用已训练的源域模型的重建管道增强目标域特征,使其更接近源域的正确类。最后可以使用源域模型的分类管道进行分类。在基准数据集上进行的实验证明,方
一种通过特征解耦实现无监督域自适应图像分类的方法.pdf
本发明公开了一种通过特征解耦实现无监督域自适应图像分类的方法,其步骤包括:1、对包含具有N个类别图像的数据进行图像预处理;2、构建基于互信息的特征解耦与域自适应网络模型;3、使用交替迭代优化的方式训练构建的网络模型;4、利用训练好的模型对待分类的图像进行预测,实现图像的分类识别。本发明能克服标注数据集耗时的问题以及跨域图像分类中域偏移造成的负面影响,从而实现跨域图片的准确分类。
无监督领域自适应图像非盲解卷积方法、装置及介质.pdf
本发明公开了一种无监督领域自适应图像非盲解卷积方法、装置及介质,其中方法包括:确定源域数据和目标域数据;构建非盲解卷积模型;采用源域数据对非盲解卷积模型进行有监督训练,获得预训练模型;将获得的预训练模型作用到目标域数据上,并采用无监督自适应损失对预训练模型进行训练,获得迁移模型;判断迁移模型的解卷积精度是否满足预设条件,若满足则停止训练,否则继续训练;将迁移训练后的迁移模型作用于目标域数据,输出测试图像的解卷积结果。本发明在不需要访问源域数据和目标域数据中的清晰图像的同时,对预训练模型进行迁移,提高模型在